ANÁLISE ESTATÍSTICA NO RECONHECIMENTO AUTOMÁTICO DE FACES UTILIZANDO PCA EIGENFACES
|
|
- Luiz Gustavo Pinhal Andrade
- 7 Há anos
- Visualizações:
Transcrição
1 ANÁLISE ESTATÍSTICA NO RECONHECIMENTO AUTOMÁTICO DE FACES UTILIZANDO PCA EIGENFACES ISSN: STATISTICAL ANALYSIS IN AUTOMATIC FACE RECOGNITION USING PCA EIGENFACES Hudson Rodrigues Saldanha de Oliveira 1 ; Lucas Braga de Assis 2 ; Eduardo Queiroz Braga 3 1 Bacharel em Engenharia Elétrica. UniBH Belo Horizonte, MG. Precon Industrial. if.hrso@yahoo.com.br. 2 Bacharel em Engenharia Elétrica. UniBH Belo Horizonte, MG. AlmavivA do Brasil. lucasbassis@yahoo.com.br. 3 Mestre em Engenharia Elétrica. UFMG, Professor do Centro Universitário de Belo Horizonte - UniBH. Belo Horizonte, MG. eduardo.braga@prof.unibh.br. Recebido em: 19/10/ Aprovado em: 20/11/ Disponibilizado em: 30/11/2012 RESUMO: Este artigo tem como objetivo a análise da ferramenta estatística denominada Análise de Componentes Principais, ACP utilizando Eigenfaces, no que se refere à reconstrução e reconhecimento de faces a partir de imagens estáticas propondo diferentes metodologias de classificação de faces. PALAVRAS-CHAVE: PCA. Eigenfaces. Reconhecimento de faces. ABSTRACT: This article aims to analyze the statistical tool called Principal Component Analysis, PCA using Eigenfaces, with regard to reconstruction and face recognition from still images by proposing different methods for classifying faces. KEYWORDS: PCA. Eigenfaces. Recognition of faces. 1 INTRODUÇÃO É fato que esta é a Era da Tecnologia da Informação, era em que são adotados recursos da computação para prover serviços, considerando como objetivo soluções otimizadas. O objeto deste trabalho é o reconhecimento automático de face utilizando ACP (Análise de Componentes Principais). O emprego desta técnica para o reconhecimento de face é denominada como Eigenface, metodologia desenvolvida por Sirovich e Kirby (1987), e aprimorada por Turk e Pentland (1991). O reconhecimento de faces por humanos se dá de forma natural e instantânea, quando realizada a captação da imagem pelos olhos, e esta imagem segue memorizada pelo individuo, e por fim o reconhecimento. Transferir esta mesma habilidade, para um sistema computacional é uma tarefa complexa, exige esforço computacional no processamento da imagem, dado as diversas
2 100 variações pertinentes de uma face e, além disto, o sistema é acompanhado com uma série de limitações. O trabalho de reconhecer uma face implica em fatores, que contemplam aspectos como a iluminação ambiente, pose do individuo, qualidade da imagem, dentre outros. Os sistemas de reconhecimento facial apresentam vasta aplicabilidade, com destaque em sistemas de segurança. Esses sistemas são utilizados para identificar criminosos, monitorar pessoas pela rua e chave de acesso para sistemas e locais, podendo ser utilizado, por exemplo, no acesso ao caixa eletrônico de bancos financeiros, e em diversos sistemas de interface homem-máquina. Esses sistemas desempenham, portanto, um importante papel na segurança da informação, bens e pessoas. Dependendo do método utilizado para identificação pode ser necessário a localização de certos pontos da face, como por exemplo: olhos, nariz, boca e sobrancelha, contudo, neste trabalho é apresentado um sistema de reconhecimento facial baseado na Análise de Componentes Principais, que realiza uma análise estatística da imagem de face. Portanto, não leva em consideração a segmentação de elementos físicos da face humana e, sim, a variância do vetor de pontos (pixels) desta imagem em relação à um conjunto de treino. Este trabalho tem por finalidade explorar a validade do método supracitado, implementando um algoritmo em Matlab. 2 ANÁLISE DE COMPONENTES PRINCIPAIS Segundo A. Santos (2005), o método de ACP tem por objetivo principal o processamento de dados a fim de reduzi-los ou eliminar possíveis redundância de informação. Outra característica deste método consiste na representação do conjunto de dados através de combinações lineares de suas variáveis que melhor o representam. Portanto o ACP pode ser aplicado a diversos problemas cujas variáveis estão correlacionadas entre si e não apenas para o reconhecimento facial, objetivo deste trabalho. De acordo com Santos (2005), aplicado ao reconhecimento de faces, o ACP mostra-se bastante propício. Sua ideia central de reduzir a dimensionalidade do conjunto de dados, que possui como característica principal um grande número de variáveis correlacionadas. O referido método, que também é conhecido como Transformada discreta de Karhunen-Loève (KLT), ou ainda Transformada de Hotelling, envolve uma base de Álgebra Linear e Estatística, que será discutida neste trabalho, a fim de se obter o nivelamento dos pesquisadores e a conceituação de alguns pontos importantes do método. Para a aplicação do ACP são necessárias ferramentas da Álgebra Linear como autovetores e autovalores que serão descritos nesta seção. 2.1 AUTOVETORES E AUTOVALORES Segundo Santos (2010), autovalores e autovetores correspondem às matrizes de transformação que decompõem uma matriz A em outras duas, onde a primeira é diagonal e cada elemento desta diagonal representa um autovalor associado a um autovetor da segunda matriz que são Linearmente Independentes entre si e, portanto descorrelacionados. Segundo o mesmo autor, para se encontrar estas matrizes de transformação pode-se abordar a seguinte proposição: Uma matriz A [nxn] é semelhante a uma matriz D [nxn] se existir uma matriz P não singular, ou seja, invertível, tal que, a Eq. 1 se verifica.
3 101 É denominado processo de diagonalização de matrizes o processo de encontrar as matrizes D e P que satisfaçam à Eq. 1. Onde será visto que estas matrizes representam os autovalores e autovetores que se pretendem encontrar. De acordo com o mesmo autor, uma matriz é diagonalizável se ela é semelhante a uma matriz diagonal; e uma matriz quadrada é invertível se seu determinante é não nulo. Com isto pode-se chegar à conclusão de que para cada vetor P i P existe um escalar tal que: equações que as concatenam, medidas como covariância são largamente utilizadas. No caso do método ACP, a covariância, ou mais precisamente, a matriz de covariância, é fundamental na obtenção das autofaces, pois como será visto a seguir, além de resumir os dados (pixels) em informações relevantes, ou seja, na variância conjunta entre cada pixel, ainda transforma a matriz dos dados de entrada em outra à qual está sujeita às propriedades da diagonalização de matrizes, descritas no item anterior e, consequentemente, à obtenção de autovetores (autofaces). Segundo Spiegel (1993), a média de um conjunto de amostras pode ser expressa como: Pois, considera-se D uma matriz diagonal e representa o i-ésimo autovalor referente ao i-ésimo autovetor de transformação da matriz A. i E, segundo Santos (2010), para se calcular os autovetores e autovalores, apoiando-se nas definições de semelhança de uma matriz diagonal e de singularidade, tem-se que o Polinômio Característico da Eq. 3 resume o método para se encontrar os autovalores e consequentemente os autovetores da matriz A. Onde representa a média e N é o número de amostras. Portanto, a variância, que é uma medida do espalhamento da distribuição ao redor da média, ou a esperança matemática do quadrado do desvio em relação à média, pode ser definida de acordo com a Eq. 5. Os autovetores que serão encontrados no método ACP serão relacionados às autofaces (Eigenfaces) e cada uma das autofaces extraídas de um conjunto de treino contribuirá para explicação (reconstrução) de uma face de entrada. 2.2 COVARIÂNCIA Onde E representa a Esperança matemática definida em Spiegel (1993), representa a variância, o i- ésimo valor do conjunto de dados. Já a covariância entre duas variáveis aleatórias, segundo Lima (2002), é definida por uma medida da relação linear entre duas variáveis, e que pode ser resumida na Eq. 6. De acordo com Spiegel (1993), muitas vezes, para se expressar uma relação entre variáveis por meio de
4 102 Portanto, pode-se dizer que a covariância corresponde utilizado como fonte o banco de dados ORL Database ao valor médio do produto dos desvios das variáveis X disponível na Internet, apresentado na Figura 1. e Y, tomados em relação às suas respectivas médias. De acordo com Spiegel (1993) e Lima (2002) se σx,y>0 indica que as variáveis X e Y são diretamente proporcionais, se σx,y<0, estas variáveis são inversamente proporcionais e caso σx,y=0, X e Y são não correlacionadas. De acordo com R. Santos (2010), a matriz de covariância, também conhecida como matriz de dispersão das variáveis aleatórias simétrica, pois a covariância x1, x2,..., xn, é σxy é a mesma em σyx e, Figura 1 Banco de dados de faces portanto é idêntica à sua transposta. Também, a Fonte ORL Database, diagonal principal desta matriz é composta pelas variâncias das variáveis. Esta matriz tem a forma apresentada na Eq. 7. No treinamento do banco de dados, inicialmente proposta por Sirovich e Kirby (1987), a primeira etapa consiste em extrair a matriz de covariância da matriz A e, a partir desta, calcular as eigenfaces. A matriz A representa o espaço das faces e cada uma de suas colunas representa uma face do conjunto de treino concatenada por linhas e dispostas em um vetor coluna. Para isto deve-se subtrair a média 2.3 CALCULANDO EIGENFACES Uma imagem representada por uma matriz de pixels em tons de cinza com l linhas e c colunas pode ser representada por um vetor de, que é apresentada na Fig. 2, das faces originais armazenando o resultado na variável Γi Φi como apresentado na Eq. 8 e Eq. 9. lxc linhas e 1 coluna. E com este vetor imagem pode-se aplicar a ACP. Baseado em Sirovich e Kirby (1987), Turk e Pentland (1991), o método para a obtenção da eigenface consiste no treinamento de uma base de dados que é apresentado em quatro etapas, e o reconhecimento de novas faces, que possui cinco etapas como descrito a seguir. Onde M representa o número de faces do conjunto de Inicialmente tem-se que escolher um banco de dados entrada. que servirá como conjunto de treino. Neste trabalho foi covariância conforme a Eq. 10. Então, pode-se calcular a matriz de
5 103 Felizmente estes eigenfaces, mostrados na Fig. 3, não são os mesmos dos extraídos da matriz de covariância C da Eq. 10. Os H eigenfaces encontrados a partida da matriz de covariância definem o subespaço de faces e caso pretenda se inserir uma nova face esse subespaço deve ser recalculado. A última eigenface pode ser suprimida, pois apresenta autovalor nulo. FIGURA 2 Face média de um conjunto de treino com 120 faces. A matriz C representa a matriz de covariância dos pixels de cada imagem em relação aos pixels de todas as outras imagens do conjunto de treino e, portanto possui tamanho N 2 xn 2, onde N representa o número de pixels de cada imagem. Esta matriz é quadrada, simétrica e não negativa e, portanto, como visto na seção 2.2, é factível encontrar seus autovalores e autovetores. Na segunda etapa, após calcular as eigenfaces, devese escolher de maneira estocástica os H maiores que correspondem aos H maiores autovalores podendo ser descartados os demais. O k-ésimo autovetor (eigenface) é escolhido como representado na Eq. 11. Onde λ k é um máximo sujeito à seguinte restrição: FIGURA 3 (H-1) Eigenfaces de um conjunto de treino contendo 9 faces A terceira etapa do método consiste no cálculo dos pesos de cada eigenface na reconstrução de cada face do conjunto de treino. Para isto deve-se projetar cada imagem deste conjunto no subespaço das faces. Cada face de entrada terá um vetor de peso de tamanho H. A quarta e última etapa do treinamento consiste em armazenar as eigenfaces e os pesos de cada face do conjunto de treino para extração de novos vetores de peso e comparação (classificação), respectivamente.
6 104 Para que o sistema reconheça novas faces, na primeira das cinco etapas deve-se calcular o conjunto de pesos que representam a imagem de entrada no subespaço de faces projetando-a em cada um dos H autovetores. Na segunda etapa deve-se determinar se a imagem é uma face observando se a sua projeção no subespaço de faces se aproxima dos pontos que representam as faces de treinamento. Na terceira etapa tem-se um passo de decisão: se a imagem é uma face, classifique os seus padrões de pesos como uma face conhecida ou desconhecida de acordo com as faces de treinamento. A quarta etapa consiste na atualização das autofaces e os pesos, sendo necessário para isto recalcular o subespaço de faces para um conjunto de treinamento com as novas faces inseridas. Na última etapa de reconhecimento tem-se outro passo de decisão: se a mesma face desconhecida é apresentada várias vezes ao sistema, calcule os seus padrões de pesos e insira-os como face conhecida. De acordo com Turk e Pentland (1991), as etapas IV e V são opcionais. Turk e Pentland (1991) propõem uma melhoria no algoritmo, operando sobre a matriz de covariância a fim de reduzir custo computacional e, consequentemente, o tempo de processamento que será detalhado a seguir. A matriz de Covariância C, da Eq. 10 possui dimensionalidade de N² N², de modo que se tem N² eigenfaces e autovalores. Computacionalmente, isto não é muito eficiente, pois a maior parte destes eigenfaces não é útil para o reconhecimento. Assim, as etapas referentes ao cálculo da matriz de covariância, e dos autovalores e autovetores referentes a essa matriz, é substituído pelo esquema proposto por Turk e Pentland (1991), considerando as Eq. 13 e Eq. 14: Onde U representa a matriz de autovetores de C e V a matriz de autovetores de L. Na Eq. 13 a matriz L possui tamanho MxM e representa a covariância entre cada face e todas as faces do conjunto de treino. Os M primeiros eigenfaces µ L da matriz C são calculados, conforme a Eq. 14, a partir dos M autovetores v L da matriz L. Note que a matriz L (MxM) é menor que C (N²xN²) pois em geral M < N². Com isto ter-se-á de avaliar apenas M números, ao passo que no método original deve-se avaliar N² para o cálculo dos eigenfaces. Isto simplifica o processamento, pois normalmente o número de faces é muito menor que o número de pixels de cada face (M<<N²). Para o reconhecimento e até mesmo para a reconstrução de faces, estes M primeiros eigenfaces são suficientes, entretanto, para o reconhecimento em especial, pode-se ainda eliminar alguns destes eigenfaces e trabalhar com apenas os M de maiores autovalores (M <M). A reconstrução da face com restrição de Componentes Principais é representada na Fig. 4. FIGURA 4 Face (a) original, reconstruída (b) com 30 CP s, (c) com 60 CP s, (d) com 90 CP s de um total de 119 CP s.
7 CLASSIFICAÇÃO DE IMAGENS Turk e Pentland (1991) afirmam que se deve classificar primeiramente se a imagem representa uma face humana ou não. E, em caso positivo, se esta imagem está inserida no banco de dados treinado sendo, portanto, conhecida, caso contrário, desconhecida. De acordo com Körting e Duarte Filho (2004), o reconhecimento de faces por eigenfaces é composto por dois estágios: um para o treinamento e outro para o reconhecimento. No estágio de treinamento a face de cada indivíduo Γ k é projetada no espaço das imagens gerando a matriz Ω da Eq. 15. Segundo Mendonça (2008), as distâncias euclidianas obtidas na Eq. 18 e na Eq. 19 são as medidas mais utilizadas para classificar esta face de entrada. De acordo com Körting e Duarte Filho (2004), definese ainda, um valor limiar, este valor representa a maior distância aceitável entre imagens de teste e as imagens de treinamento, como mostra a Eq. 20. Esta matriz Ω possui tamanho MxM e cada uma de suas colunas representa os vetores de peso do conjunto de treino que serão utilizadas posteriormente. Segundo o mesmo autor, para-se realizar o reconhecimento de uma imagem de prova Γ nova, deve-se projetá-la no espaço de imagens, conforme a Eq. 16. Por fim, de acordo com Turk e Pentland (1991), é realizada a classificação da nova imagem, mediante os seguintes critérios: Se, Então a nova imagem não representa uma face; Se, E, A reconstrução pode ser realizada através da Eq. 17 (TURK; PENTLAND, 1991), (KÖRTING; DUARTE FILHO, 2004) e (MENDONÇA, 2008). Então a imagem representa uma face humana de um individuo não presente no banco de faces treinado; Se E, Então a imagem representa a face de um individuo presente no banco de dados treinado.
8 106 Segundo Arnold, Frater e Pickering (2007), um método comum para medição da qualidade de um serviço de vídeo reconstruído é a relação sinal-para-ruído de pico (PSNR). O erro médio quadrático entre um original e uma imagem reconstruída do tamanho M x N pixels é definido pela Eq. 21 Onde x i,j é o valor do pixel original e x i,j é o valor do pixel reconstruído. O PSNR é então definido pela Eq. 22. ou um reconhecimento de um suspeito em um banco de faces de criminosos. Estas faces utilizadas fazem parte do banco de faces Olivetti Research Laboratory, disponibilizadas gratuitamente na Internet. O banco de faces ORL database utilizado conta com 10 faces de 40 pessoas diferentes, totalizando 400 imagens, sendo estas frontais, com pouca variação na orientação da cabeça, diferentes condições de iluminação e expressões distintas. Os testes de reconhecimento foram realizados considerando as seguintes variáveis de entrada: o número de faces ou mais precisamente o número de variações por indivíduo do conjunto de treino, porcentagem de componentes principais utilizadas, dimensão da imagem e método de comparação. As comparações se dividiram em quatro diferentes métodos: Moda Estatística, Média dos Clusters, dos Clusters e o método Individual ou Um contra todos. Para uma imagem com escala de 256 níveis de cinza o Peak_to_peak_signal é METODOLOGIA Na primeira etapa desta pesquisa foi realizada uma abordagem na fundamentação estatística do método com enfoque na matriz de covariância e também sobre a Álgebra Linear envolvida no Eigenfaces com o estudo de autovetores. Foi implementado na segunda etapa, utilizando a ferramenta computacional MATLAB um algoritmo que executasse a extração de eigenfaces, a reconstrução e o reconhecimento de uma imagem, a partir de um banco de faces disponível na Internet. Já na terceira etapa foram realizados os testes para validação do método. Para isto imagens de faces frontais bem enquadradas foram utilizadas simulando, por exemplo, um check-in de um aeroporto, uma liberação de acesso de funcionários de uma empresa A moda estatística se resume no cálculo da distância euclidiana ou erro quadrático médio, Eq. 18 e Eq. 21 respectivamente, entre a face de entrada e as do conjunto de treino. A partir destas distâncias, são tomadas as menores distâncias e dentro deste subconjunto de valores é verificado qual individuo é responsável pela maior parte destas distâncias. Quando não há moda neste subconjunto ou quando há mais de uma moda é classificado o individuo responsável pelo menor valor. A Média dos Clusters, também calcula a distância euclidiana entre a face de entrada e cada uma do conjunto de treino, conforme Eq. 18. As distâncias referentes a um mesmo indivíduo são agrupadas em um cluster e por fim calculado o valor médio deste cluster. A face será classificada de acordo com a menor média entre os clusters. O dos Clusters opera de maneira semelhante à Média dos Clusters, no entanto, é utilizada a Eq. 21 em detrimento da Eq. 18.
9 107 Por fim o método Individual, também conhecido como um contra todos, calcula de maneira semelhante aos outros métodos a distância euclidiana e o erro quadrático médio, no entanto, para a classificação utiliza-se apenas o individuo responsável pela menor distância encontrada. 4 RESULTADOS E DISCUSSÃO O valor limiar de classificação, calculado pela Eq. 20 ou definido de maneira empírica, classificou corretamente as faces ou não faces nos testes preliminares. Os testes iniciais foram realizados com as imagens do banco faces e um conjunto de treino contendo 3 faces de 40 pessoas, totalizando 120 faces. Os resultados encontrados estão disponíveis na Tab. 1. Para um conjunto de treino com 160 faces, os resultados são apresentados na Tab. 2. Para um conjunto de treino com 240 faces, os resultados são apresentados na Tab. 3. Porcenta gem de CPs utilizadas MODA (12x10) pixels MÉDIA 280 TESTES TAXA DE ACERTO (31x22) pixels (57x47) pixels Individual 90% 72,50% 83,54% 80,71% 88,57% 72,50% 86,42% 85,00% 91,79% 72,50% 85,36% 84,29% 91,79% 70% 72,50% 83,93% 81,07% 88,57% 72,14% 86,43% 85,00% 91,43% 72,86% 84,29% 83,57% 91,07% 50% 72,50% 83,93% 80,71% 87,86% 72,86% 86,43% 83,93% 90,00% 73,57% 85,71% 84,64% 91,07% 30% 72,14% 83,54% 80,36% 87,50% 75,00% 85,71% 83,93% 89,29% 75,71% 85,71% 84,29% 90,00% 20% 72,14% 81,42% 78,57% 84,64% 72,14% 84,29% 81,07% 86,79% 71,79% 76,79% 73,57% 87,86% TABELA 1 RESULTADOS DE RECONHECIMENTOS INDIVIDUAIS PARA UM CONJUNTO DE TREINO COM 120 FACES. Porcenta gem de CPs utilizadas MODA MÉDIA 240 TESTES TAXA DE ACERTO (12x10) pixels (31x22) pixels (57x47) pixels Individual 90% 75,00% 85,42% 83,33% 91,25% 76,67% 88,33% 85,83% 92,50% 76,25% 88,75% 87,08% 93,75% 70% 75,00% 85,42% 83,33% 91,25% 77,08% 87,92% 85,42% 92,50% 76,67% 88,75% 86,67% 92,92% 50% 75,00% 85,42% 83,33% 90,42% 77,50% 87,92% 85,00% 92,50% 77,50% 88,33% 86,67% 92,50% 30% 74,58% 85,33% 84,17% 90,42% 77,08% 87,92% 86,25% 91,67% 79,17% 87,92% 86,67% 92,08% 20% 74,58% 84,58% 82,92% 89,17% 77,50% 86,25% 84,58% 91,67% 78,75% 85,83% 85,38% 91,67% TABELA 2 RESULTADOS DE RECONHECIMENTOS INDIVIDUAIS PARA UM CONJUNTO DE TREINO COM 160 FACES.
10 108 Porcenta gem de CPs utilizadas MODA MÉDIA 160 TESTES TAXA DE ACERTO (12x10) pixels (31x22) pixels (57x47) pixels Individual 90% 77,50% 89,38% 87,50% 96,88% 81,25% 89,38% 89,38% 96,25% 80,63% 88,75% 87,50% 96,25% 70% 77,50% 89,38% 88,13% 96,88% 81,25% 89,38% 89,38% 96,25% 80,00% 88,75% 87,50% 95,00% 50% 78,13% 89,38% 88,75% 96,88% 81,25% 89,38% 89,38% 96,25% 81,25% 88,75% 86,88% 95,63% 30% 78,75% 89,38% 88,75% 96,88% 82,50% 89,38% 89,38% 96,25% 80,00% 88,75% 87,50% 96,25% 20% 78,75% 89,38% 88,13% 96,88% 81,87% 89,38% 88,75% 96,25% 81,25% 88,75% 88,13% 96,25% TABELA 3 RESULTADOS DE RECONHECIMENTOS INDIVIDUAIS PARA UM CONJUNTO DE TREINO COM 240 FACES. 5 CONCLUSÃO A técnica de eigenfaces apresentou como vantagens uma taxa de acertos considerável, fácil manipulação dos dados, a possibilidade de uma redução massiva de elementos redundantes (eliminação de eigenfaces de menor peso), além de se tratar de um método que, aliado a outros, otimizam seu desempenho. Em contrapartida, ainda não se tem conhecimento de um método matemático para determinar um limiar de maneira assertiva, que separe as imagens de entradas em imagens de faces ou não faces e, quando consideradas imagens de faces, dividi-las em pertencentes, ou não, ao conjunto de treino. Também, devido ao fato desta ser uma análise estatística, o método restringe-se às condições específicas de iluminação, orientação da cabeça em frente ao instrumento de captura e pano de fundo da imagem. A mudança na dimensão da imagem influenciou pouco na resposta do sistema, o que pode ser visto como uma vantagem do ponto de vista da redução de dados, assim como a possibilidade da redução de componentes principais utilizadas, que também impactou pouco nos resultados finais. A moda estatística apresentou o pior resultado, o que evidencia que as faces de um cluster estão dispersas e sobrepostas em outros clusters. Agrupando as imagens do conjunto de treino em clusters, a resposta do sistema, ao contrário do que se previa, foi inferior aos reconhecimentos individuais. No entanto sua taxa de acertos cresceu de maneira inversa à quantidade de componentes utilizadas, o que representa uma vantagem no que se refere à redução de dados. A distância euclidiana e o erro médio quadrático se mostraram semelhantes como método de classificação. Analisando as imagens no método Individual, um contra todos, ou seja, associando a imagem de entrada à do conjunto de treino, que possui menor distância euclidiana ou menor erro quadrado médio, obteve-se um excelente resultado, principalmente quando se tem no conjunto de treino um número maior de faces por indivíduo.
11 109 REFERÊNCIAS ARNOLD, J., FRATER, M., PICKERING, M. Digital Television Technology and Standards. The University of New South Wales, ADFA Camberra, ACT, Australia, p. AT&T Laboratóries Cambridge, ORL Database Disponível em: < atabase.html>. Acesso em: 15 out KÖRTING, T. S., DUARTE FILHO, N. L. Utilizando Eigenfaces para Reconhecimento de Imagens. Rio Grande/ Rio Grande do Sul: Fundação Universidade Federal do Rio Grande, p. Disponível em: < f>. Acesso em: 26 ago LIMA, C. G. Apostila de Estatística I. Pirassununga/SP: USP/Faculdade de Zootecnia e Engenharia de Alimentos - Departamento de Ciências Básicas, p. MENDONÇA, M. M. Comparação entre métodos de normalização da iluminação utilizados para melhorar a taxa do reconhecimento facial. São Carlos/ São Paulo: USP/ Escola de Engenharia de São Carlos Departamento de Engenharia Elétrica, p. Disponível em: < uisa/michelle.pdf>. Acesso em: 25 set SANTOS, A. R. Identificação de faces humanas através de PCA-LDA e Redes Neurais SOM. São Carlos/ SP: USP/ Departamento de Engenharia Elétrica, p. Disponível em: < de /pt-br.php>. Acesso em: 15 mar SANTOS, R. J. Álgebra Linear e aplicações. Belo Horizonte/MG: Imprensa Universitária da UFMG, p. Disponível em: < Acesso em: 8 jun SIROVICH, L., KIRBY, M. Low-dimensional procedure for the characterization of human face. Rhode Island: Brown University/Division of Applied Mathematics, p. Disponível em: < Acesso em: 12 dez SPIEGEL, M. R. Estatística. 3 a Ed. São Paulo/ SP: Makron Books, TURK, M., PENTLAND, A. Eigenfaces for Recognition. Massachusetts Institute of Technology / Journal of Cognitive Neuroscience p. Disponível em: < Acesso em: 12 out
Reconhecimento de Faces com PCA e Redes Neurais
Reconhecimento de Faces com Sandro Santos Andrade Programa de Pós-graduação em Mecatrônica Setembro / 2003 Visão Computacional Computacional Computação Computação Visual Computação Computação Gráfica Introdução
Leia maisRECONHECIMENTO FACIAL UTILIZANDO EIGENFACES
Universidade Federal do Rio de Janeiro Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia Programa de Engenharia de Sistemas e Computação Rio de Janeiro, RJ Brasil RECONHECIMENTO
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia maisVISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB. Márcio Koch
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB Márcio Koch Orientador: Jacques Robert Heckmann ROTEIRO Introdução Objetivos do trabalho Fundamentação
Leia maisReconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
Leia maisAnálise de Componentes Principais (PCA)
Análise de Componentes Principais (PCA) Lailson B. Moraes, George D. C. Cavalcanti {lbm4,gdcc}@cin.ufpe.br Roteiro Introdução Características Definição Algoritmo Exemplo Aplicações Vantagens e Desvantagens
Leia maisGPDI Grupo de Profissionais de Dados e Inteligência
GPDI Grupo de Profissionais de Dados e Inteligência Estatística e sua relação de dados Uma aplicação na redução da dimensionalidade em matrizes de dados Grupo de Profissionais de Dados e Inteligência Quem
Leia maisE-Faces - Um classificador capaz de analisar imagens e classificá-las como faces ou não faces utilizando o método Eigenfaces
E-Faces - Um classificador capaz de analisar imagens e classificá-las como faces ou não faces utilizando o método Eigenfaces Éder Augusto Penharbel, Erdiane L. G. Wutzke, Murilo dos S. Silva, Reinaldo
Leia maisPLANO DE ENSINO E APRENDIZAGEM
SERVIÇO PÚBLICO FEDERAL UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE LICENCIATURA PLENA EM MATEMÁTICA PARFOR PLANO E APRENDIZAGEM I IDENTIFICAÇÃO: PROFESSOR (A) DA DISCIPLINA:
Leia maisReconhecimento de Padrões. Principal Component Analysis (PCA) Análise dos Componentes Principais
Universidade Federal de Ouro Preto (UFOP) Programa de Pós-Graduação em Ciência da Computação (PPGCC) Reconhecimento de Padrões Principal Component Analysis (PCA) Análise dos Componentes Principais David
Leia maisMINISTÉRIO DA EDUCAÇÃO CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS CONSELHO DE GRADUAÇÃO
DISCIPLINA: GEOMETRIA ANALÍTICA E ÁLGEBRA VETORIAL CÓDIGO: 2DB.004 VALIDADE: Início: 01/2013 Término: Eixo: Matemática Carga Horária: Total: 75 horas/ 90 horas-aula Semanal: 06 aulas Créditos: 6 Modalidade:
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II Componentes principais Revisão de matemática Análise de componentes principais em SR UFPR Departamento de Geomática Prof. Jorge Centeno 2016 copyright@ centenet Revisão matemática
Leia maisG3 de Álgebra Linear I
G de Álgebra Linear I 7 Gabarito ) Considere a transformação linear T : R R cuja matriz na base canônica E = {(,, ), (,, ), (,, )} é [T] E = a) Determine os autovalores de T e seus autovetores correspondentes
Leia maisAUTOVALORES E AUTOVETORES
AUTOVALORES E AUTOVETORES Prof a Simone Aparecida Miloca Definição 1 Uma tranformação linear T : V V é chamada de operador linear. Definição Seja T : V V um operador linear. existirem vetores não-nulos
Leia maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões PCA. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões PCA Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceitos de PCA e suas aplicações
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 02 Representação dos dados Pré-processamento Max Pereira Tipo de Dados Os atributos usados para descrever objetos de dados podem ser de diferentes tipos: Quantitativos
Leia maisESTRATÉGIAS PARA RECONHECER FACES
UNIVERSIDADE FEDERAL DE PERNAMBUCO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA ESTRATÉGIAS PARA RECONHECER FACES BASEADAS NA ANÁLISE DE COMPONENTES PRINCIPAIS TRABALHO DE GRADUAÇÃO Aluno:
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE ENGENHARIA ELÉTRICA PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE ENGENHARIA ELÉTRICA PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA RECONHECIMENTO DE FACE UTILIZANDO TRANSFORMADA DISCRETA DO COSSENO BIDIMENSIONAL, ANÁLISE DE COMPONENTES
Leia maisParte 3 - Produto Interno e Diagonalização
Parte 3 - Produto Interno e Diagonalização Produto Escalar: Sejam u = (u 1,..., u n ) e v = (v 1,..., v n ) dois vetores no R n. O produto escalar, ou produto interno euclidiano, entre esses vetores é
Leia maisÁlgebra Linear. Professor Alessandro Monteiro. 1º Sábado - Matrizes - 11/03/2017
º Sábado - Matrizes - //7. Plano e Programa de Ensino. Definição de Matrizes. Exemplos. Definição de Ordem de Uma Matriz. Exemplos. Representação Matriz Genérica m x n 8. Matriz Linha 9. Exemplos. Matriz
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisRECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA
RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA Envolve a pergunta: É esta parte da imagem uma parte do objeto X? (modelo dado, região da imagem dada) Utiliza imagens ao invés de características como
Leia mais7 Resultados e Discussão
114 7 Resultados e Discussão A fim de avaliar a importância da utilização de imagens polarizadas em medidas de textura, cujo processamento necessita de imagens nos dois modos de captura (campo claro e
Leia maisProvas. As notas da primeira e segunda prova já foram digitadas no Minha UFMG. Caso você não veja sua nota, entre em contato com o professor.
Provas As notas da primeira e segunda prova já foram digitadas no Minha UFMG. Caso você não veja sua nota, entre em contato com o professor. Terceira prova. Sábado, 15/junho, 10:00-12:00 horas, ICEx. Diagonalização
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Classificação. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificação David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Redução de Dimensionalidade Principal Component Analysis (PCA)
Leia maisTeorema da Triangularização de Schur e Diagonalização de Matrizes Normais
Teorema da Triangularização de Schur e Diagonalização de Matrizes Normais Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 16 de novembro
Leia maisÁLGEBRA LINEAR. Valores Próprios (Autovalores) e Vetores Próprios (Autovetores) Prof. Susie C. Keller
ÁLGEBRA LINEAR Valores Próprios (Autovalores) e Vetores Próprios (Autovetores) Prof. Susie C. Keller Autovalores e Autovetores de um Operador Linear Seja T:V V um operador linear. Um vetor v V, v 0, é
Leia maisGeovan Tavares, Hélio Lopes e Sinésio Pesco PUC-Rio Departamento de Matemática Laboratório Matmidia
Álgebra Linear Computacional Geovan Tavares, Hélio Lopes e Sinésio Pesco PUC-Rio Departamento de Matemática Laboratório Matmidia http://www.matmidia.mat.puc-rio.br 1 Álgebra Linear Computacional - Parte
Leia maisPLANO DE ENSINO e APRENDIZAGEM Álgebra Linear
UNIVERSIDADE FEDERAL DO PARÁ PLANO NACIONAL DE FORMAÇÃO DE PROFESSORES DA EDUCAÇÃO BÁSICA PARFOR CURSO DE LICENCIATURA EM MATEMÁTICA PLANO DE ENSINO e APRENDIZAGEM Álgebra Linear I IDENTIFICAÇÃO 1.1. Disciplina:
Leia maisExtração e Comparação de Características Locais e Globais para o Reconhecimento Automático de Imagens de Faces
Extração e Comparação de Características Locais e Globais para o Reconhecimento Automático de Imagens de Faces Vagner do Amaral e Carlos Eduardo Thomaz Centro Universitário da FEI Av. Humberto de Alencar
Leia maisReconhecimento facial utilizando Fisherfaces. Disciplina: Reconhecimento de padrões Professor: André Tavares da Silva Mestrando: Márcio Koch
Reconhecimento facial utilizando Fisherfaces Disciplina: Reconhecimento de padrões Professor: André Tavares da Silva Mestrando: Márcio Koch Márcio Koch, maio 2014 Pauta Apresentação Analise das Componentes
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia mais4 Estado da Arte do Kernel PCA
4 Estado da Arte do Kernel PCA Conforme apresentado no Capítulo 1, o Kernel PCA é uma técnica promissora para auxiliar no processo de ajuste de histórico, devido a sua capacidade de extrair parte da estatística
Leia maisMatrizes e Linearidade
Matrizes e Linearidade 1. Revisitando Matrizes 1.1. Traço, Simetria, Determinante 1.. Inversa. Sistema de Equações Lineares. Equação Característica.1. Autovalor & Autovetor 4. Polinômios Coprimos 5. Função
Leia maisCSE-020 Revisão de Métodos Matemáticos para Engenharia
CSE-020 Revisão de Métodos Matemáticos para Engenharia Engenharia e Tecnologia Espaciais ETE Engenharia e Gerenciamento de Sistemas Espaciais L.F.Perondi Engenharia e Tecnologia Espaciais ETE Engenharia
Leia maisÁlgebra Linear I - Aula 22
Álgebra Linear I - Aula 1. Bases Ortonormais.. Matrizes Ortogonais. 3. Exemplos. 1 Bases Ortonormais Lembre que uma base β é ortogonal se está formada por vetores ortogonais entre si: para todo par de
Leia maisModelagem Computacional. Parte 6 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 6 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 6 e 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisParte I. Álgebra Linear. Sistemas Dinâmicos Lineares. Autovalores, autovetores. Autovalores, autovetores. Autovalores e Autovetores.
Sistemas Dinâmicos Lineares Romeu Reginatto Programa de Pós-Graduação em Engenharia de Sistemas Dinâmicos e Energéticos Universidade Estadual do Oeste do Paraná Parte I Álgebra Linear Adaptado das notas
Leia maisDistância Estatística
Distância Estatística Renato Assunção 0/05/03 Pressão sistólica A pressão sistólica mede a força do sangue nas artérias, à medida que o coração contrai para impulsionar o sangue através do corpo. Se alta
Leia maisAjustamento de Observações
Ajustamento de Observações Teoria dos Erros Prof. Dr. Marcos Aurélio Basso IFSULDEMINAS Campus Incondentes MG Teoria dos Erros - Introdução Observações e erros de observação; Factores que caracterizam
Leia maisLaboratório de Simulação Matemática. Parte 6 2
Matemática - RC/UFG Laboratório de Simulação Matemática Parte 6 2 Prof. Thiago Alves de Queiroz 2/2017 2 [Cap. 6] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning, 2010. Thiago
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Componentes Principais
Estatística: Aplicação ao Sensoriamento Remoto SER 4 - ANO 9 Componentes Principais Camilo Daleles Rennó camilorenno@inpebr http://wwwdpiinpebr/~camilo/estatistica/ Associação entre Variáveis r = < r
Leia maisG4 de Álgebra Linear I
G4 de Álgebra Linear I 27.1 Gabarito 1) Considere a base η de R 3 η = {(1, 1, 1); (1,, 1); (2, 1, )} (1.a) Determine a matriz de mudança de coordenadas da base canônica para a base η. (1.b) Considere o
Leia maisSEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS
SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS Edno José Bozoli Junior¹, Osvaldo Severino Junior². 1. Universitário do curso de Ciências da Computação Rodovia Vicinal Raul Galvani nº. 831, Centro, CEP: 15.845-000
Leia maisParte 1 - Matrizes e Sistemas Lineares
Parte 1 - Matrizes e Sistemas Lineares Matrizes: Uma matriz de tipo m n é uma tabela com mn elementos, denominados entradas, e formada por m linhas e n colunas. A matriz identidade de ordem 2, por exemplo,
Leia maisCYNTHIA FEIJO SEGATTO 25/10/2017 (2017/2) 05/11/2018 (2019/1)
Instituto de Matemática e Estatística Departamento de Matemática Pura e Aplicada Dados de identificação Disciplina: ÁLGEBRA LINEAR I - A Período Letivo: 019/1 Período de Início de Validade : 017/ Professor
Leia maisConceitos de Aprendizagem de Máquina e Experimentos. Visão Computacional
Conceitos de Aprendizagem de Máquina e Experimentos Visão Computacional O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos
Leia maisPROCESSAMENTO DE IMAGENS
PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS- aula de 25/5/10 Introdução Conceitos básicos Pré-processamento Realce Classificação
Leia maisPeríodo Letivo: 2019/1 Período de Início de Validade : 2017/2. Carga Horária: 60h CH Autônoma: 0h CH Coletiva: 60h CH Individual: 0h
Instituto de Matemática e Estatística Departamento de Matemática Pura e Aplicada Dados de identificação Disciplina: ÁLGEBRA LINEAR I - A Período Letivo: 2019/1 Período de Início de Validade : 2017/2 Professor
Leia maisEstatística Aplicada à Administração II. Tópico. Análise de Componentes Principais
Estatística Aplicada à Administração II Tópico Análise de Componentes Principais Bibliografia: R.A. Johnson, Applied Multivariate Statistical Analysis, Prentice Hall, 99 Análise de Componentes Principais
Leia maisALGORITMO HEBBIANO GENERALIZADO PARA EXTRAÇÃO DOS COMPONENTES PRINCIPAIS DE UM CONJUNTO DE DADOS NO DOMÍNIO COMPLEXO
ALGORIMO HEBBIANO GENERALIZADO PARA EXRAÇÃO DOS COMPONENES PRINCIPAIS DE UM CONJUNO DE DADOS NO DOMÍNIO COMPLEXO DISSERAÇÃO SUBMEIDA À PONIFÍCIA UNIVERSIDADE CAÓLICA DO RIO GRANDE DO SUL PARA OBENÇÃO DO
Leia maisPrograma do Curso. Transformação de Dados. Sistemas Inteligentes Aplicados. Carlos Hall. Discretização de Variáveis Contínuas
Sistemas Inteligentes Aplicados Carlos Hall Programa do Curso Limpeza/Integração de Dados Transformação de Dados Discretização de Variáveis Contínuas Transformação de Variáveis Discretas em Contínuas Transformação
Leia maisMineração de Dados. Análise e Seleção de Variáveis
Mineração de Dados Análise e Seleção de Variáveis 1 Análise e Seleção de Variáveis Parte da uma área chamada de Redução de Dados Obtenção de uma representação reduzida em volume mas que produz resultados
Leia maisAutovalores e Autovetores
Algoritmos Numéricos II / Computação Científica Autovalores e Autovetores Lucia Catabriga 1 1 DI/UFES - Brazil Junho 2016 Introdução Ideia Básica Se multiplicarmos a matriz por um autovetor encontramos
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 11.1 Gabarito 1) Seja A : R 3 R 3 uma transformação linear cuja matriz na base canônica é 4 [A] = 4. 4 (a) Determine todos os autovalores de A. (b) Determine, se possível, uma forma
Leia maisAuto-Fusão na Recuperação de Imagens Baseadas em Conteúdo.
Auto-Fusão na Recuperação de Imagens Baseadas em Conteúdo. Severino Jr, Osvaldo IMES - FAFICA osvaldo@fafica.br Gonzaga, Adilson Escola de Engenharia de São Carlos - USP adilson@sc.usp.br Resumo Neste
Leia maisTRANSFORMADA WAVELET, AGRUPAMENTO FUZZY, LDA E ICA APLICADOS NO RECONHECIMENTO DE FACES HUMANAS
TRANSFORMADA WAVELET, AGRUPAMENTO FUZZY, LDA E ICA APLICADOS NO RECONHECIMENTO DE FACES HUMANAS Junior Leal do Prado Instituto Federal de Sergipe Av. Gentil Tavares da Mota, 1166 - Getúlio Vargas Aracaju/SE
Leia mais7 Formas Quadráticas
Nova School of Business and Economics Apontamentos Álgebra Linear 1 Definição Forma quadrática em variáveis Função polinomial, de grau, cuja expressão tem apenas termos de grau. Ex. 1: é uma forma quadrática
Leia maisAplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados
Aplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados 1 Vinicius Carvalho Beck 2 Júlio Renato Q. Marques 3 Fabrício P. Härter Universidade
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 04 - sistemas lineares Antonio Oliveira Ricardo Marroquim 1 / 32 laboratório de processamento de imagens tópicos decomposições (álgebra linear) decomposição QR decomposição
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisFicha de Exercícios nº 3
Nova School of Business and Economics Álgebra Linear Ficha de Exercícios nº 3 Transformações Lineares, Valores e Vectores Próprios e Formas Quadráticas 1 Qual das seguintes aplicações não é uma transformação
Leia mais5. Seja R : R 3 R 3 uma rotação em torno do eixo gerado por (0, 0, 1). Suponha que R mande o vetor
Universidade Federal do Rio de Janeiro Instituto de Matemática Disciplina: Álgebra Linear II Professor: Bruno Costa, Cesar Niche, Francesco Noseda, Luiz Carlos Guimarães, Mário de Oliveira, Milton Ramirez,
Leia maisVISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Leia mais2 Reconhecimento Facial
2 Reconhecimento Facial Em termos gerais, o reconhecimento facial é o processo pelo qual se mede o grau de similaridade entre duas imagens faciais com o proposito de identificar a um indivíduo ou de verificar
Leia mais4 Algoritmo de reconstrução de curvas
4 Algoritmo de reconstrução de curvas Como visto na introdução, o algoritmo proposto neste trabalho é constituído pelas seguintes etapas: 1. Agrupamento espacial dos pontos de amostragem 2. Processamento
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S. Silva http://www.im.ufrj.br/ralph/multivariada.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Agradecimentos
Leia mais7 Formas Quadráticas
Nova School of Business and Economics Prática Álgebra Linear 1 Definição Forma quadrática em variáveis Função polinomial, de grau, cuja expressão tem apenas termos de grau. Ex. 1: é uma forma quadrática
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Leia mais. (1) Se S é o espaço vetorial gerado pelos vetores 1 e,0,1
QUESTÕES ANPEC ÁLGEBRA LINEAR QUESTÃO 0 Assinale V (verdadeiro) ou F (falso): (0) Os vetores (,, ) (,,) e (, 0,) formam uma base de,, o espaço vetorial gerado por,, e,, passa pela origem na direção de,,
Leia maisPré-requisitos Algebra Linear. Lorí Viali. Afiliação
Lorí Viali Licenciatura Plena em Matemática UFRGS Bacharelado em Matemática UFRGS Especialização em Formação de Pesquisadores PUCRS Mestrado em Engenharia de Produção (PO) UFSC Doutorado Sanduíche na USF
Leia maisRepresentação esquemática de estruturas de dados
UNIVERSIDADE DE SÃO PAULO - USP Instituto de Química de São Carlos - IQSC Grupo de Química Medicinal do IQSC/USP 1 Representação esquemática de estruturas de dados 2 1 Tipos de variáveis Contínua Concentração,
Leia maisMatrizes Semelhantes e Matrizes Diagonalizáveis
Diagonalização Matrizes Semelhantes e Matrizes Diagonalizáveis Nosso objetivo neste capítulo é estudar aquelas transformações lineares de R n para as quais existe pelo menos uma base em que elas são representadas
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisÁlgebra Linear I - Aula Forma diagonal de uma matriz diagonalizável
Álgebra Linear I - Aula 18 1 Forma diagonal de uma matriz diagonalizável 2 Matrizes ortogonais Roteiro 1 Forma diagonal de uma matriz diagonalizável Sejam A uma transformação linear diagonalizável, β =
Leia maisMinistério da Educação UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ Câmpus Medianeira PLANO DE ENSINO. CURSO Engenharia Elétrica MATRIZ 548
Ministério da Educação UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ Câmpus Medianeira PLANO DE ENSINO CURSO Engenharia Elétrica MATRIZ 548 FUNDAMENTAÇÃO LEGAL Processo N 00/11, aprovado pela Resolução n.
Leia mais(x 1, y 1 ) (x 2, y 2 ) = (x 1 x 2, y 1 y 2 ); e α (x, y) = (x α, y α ), α R.
INSTITUTO DE MATEMÁTICA E ESTATÍSTICA UNIVERSIDADE DE SÃO PAULO MAT-2457 Álgebra Linear para Engenharia I Terceira Lista de Exercícios - Professor: Equipe da Disciplina EXERCÍCIOS 1. Considere as retas
Leia maisMINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE PELOTAS PRÓ-REITORIA DE GRADUAÇÃO
ANEXO 1 - Plano de Ensino MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE PELOTAS PRÓ-REITORIA DE GRADUAÇÃO PLANO DE ENSINO Ano Semestre letivo 2016 02 1. Identificação Código 1.1 Disciplina: Modelos Matemáticos
Leia maisP3 de Álgebra Linear I
P3 de Álgebra Linear I 2008.2 Data: 14 de Novembro de 2008. Gabarito. 1) Decida se cada afirmação a seguir é verdadeira ou falsa. Considere uma transformação linear T : R 3 R 3 tal que existem vetores
Leia maisOPERADORES LINEARES ESPECIAIS: CARACTERIZAÇÃO EM ESPAÇOS DE DIMENSÃO DOIS*
OPERADORES LINEARES ESPECIAIS: CARACTERIZAÇÃO EM ESPAÇOS DE DIMENSÃO DOIS* FABIANA BARBOSA DA SILVA, ALINE MOTA DE MESQUITA ASSIS, JOSÉ EDER SALVADOR DE VASCONCELOS Resumo: o objetivo deste artigo é apresentar
Leia maisMAT-27 Lista-09 Outubro/2011
MAT-27 Lista-09 Outubro/2011 1. Determinar, se possível, uma matriz M M 2 (R) de maneira que M 1 AM seja diagonal nos seguintes casos: [ ] 2 4 (a) 3 13 [ ] 3 2 2 1 2. Achar uma matriz diagonal semelhante
Leia maisCARGA HORÁRIA SEMANAL: 06 horas
PLANO DE ENSINO DE DISCIPLINA UNIVERSIDADE FEDERAL DE VIÇOSA CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE MATEMÁTICA DISCIPLINA: Geometria Analítica e Álgebra Linear CÓDIGO: MAT 135 DURAÇÃO
Leia maisAfiliação. Professor Titular do Departamento de Estatística Faculdade de Matemática da PUCRS
Lorí Viali Licenciatura Plena em Matemática UFRGS Bacharelado em Matemática UFRGS Especialização em Formação de Pesquisadores PUCRS Mestrado em Engenharia de Produção (PO) UFSC Doutorado Sanduíche na USF
Leia maisn. 2 MATRIZ INVERSA (I = matriz unidade ou matriz identidade de ordem n / matriz canônica do R n ).
n. 2 MATRIZ INVERSA Modo : utilizando a matriz identidade Seja A uma matriz quadrada de ordem n. Dizemos que A é matriz invertível se existir uma matriz B tal que A. B = B. A = I. (I = matriz unidade ou
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 2.2 Gabarito ) Considere a matriz 4 N = 4. 4 Observe que os vetores (,, ) e (,, ) são dois autovetores de N. a) Determine uma forma diagonal D de N. b) Determine uma matriz P tal
Leia maisAprendizado de Máquinas. Introdução à Aprendizado Não- Supervisionado
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Introdução à Aprendizado Não- Supervisionado David Menotti, Ph.D. http://web.inf.ufpr.br/menotti Objetivos
Leia maisUma Avaliação do Erro Tipo II no Uso do Teste t-student
Uma Avaliação do Erro Tipo II no Uso do Teste t-student Cleber Giugioli Carrasco Thiago Santana Lemes 1 Unidade Universitária de Ciências Exatas e Tecnológicas, Universidade Estadual de Goiás, UnUCET/UEG,
Leia maisCapítulo 4 - Valores e Vectores Próprios
Capítulo 4 - Valores e Vectores Próprios Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática I - 1 o Semestre 2011/2012 Matemática I 1/ 17
Leia maisIDENTIFICAÇÃO DE TECIDO COM ATEROSCLEROSE PELO MÉTODO DE ANALISE DO COMPONENTE PRINCIPAL. Thiago Siqueira Pinto, Landulfo Silveira Junior
IDENTIFICAÇÃO DE TECIDO COM ATEROSCLEROSE PELO MÉTODO DE ANALISE DO COMPONENTE PRINCIPAL Thiago Siqueira Pinto, Landulfo Silveira Junior Laboratório de Espectroscopia Biomolecular/IP&D, UNIVAP, Av: Shishima
Leia maisÁlgebra Linear. Professor Alessandro Monteiro. 1º Sábado - Matrizes - 11/03/2017
º Sábado - Matrizes - //7. Plano e Programa de Ensino. Matrizes. Exemplos. Ordem de Uma Matriz. Exemplos. Representação 7. Matriz Genérica m x n 8. Matriz Linha 9. Exemplos. Matriz Coluna. Exemplos. Diagonal
Leia maisConsultas por Similaridade em Domínios de Dados Complexos
Consultas por Similaridade em Domínios de Dados Complexos Guilherme Felipe Zabot Orientador: Profº Dr Caetano Traina Jr Roteiro Objetivo Introdução Dados Complexos Representação de Dados Complexos Extração
Leia maisMaldição da dimensionalidade
EXTRAÇÃO E SELEÇÃO DE ATRIBUTOS Maldição da dimensionalidade 2 Maldição da dimensionalidade (ou Curse of dimensionality) Termo que se refere a vários fenômenos que surgem na análise de dados em espaços
Leia maisPLANO DE ENSINO CURSO ENGENHARIA AMBIENTAL MATRIZ 519
Ministério da Educação UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ Campus Medianeira PLANO DE ENSINO CURSO ENGENHARIA AMBIENTAL MATRIZ 519 FUNDAMENTAÇÃO LEGAL Resolução 075/09 COEPP, de 21 de agosto de
Leia maisUniversidade Católica Dom Bosco
Universidade Católica Dom Bosco Curso de Bacharelado em Engenharia de Computação Comparação entre Técnicas de Reconhecimento de Faces para Controle de Acesso a Computadores Vinícius Assis Saueia da Silva
Leia maisAPLICAÇÃO DE AUTOVALORES E AUTOVETORES NAS POTÊNCIAS DE MATRIZES
Universidade Federal de Goiás Câmpus de Catalão Departamento de Matemática Seminário Semanal de Álgebra APLICAÇÃO DE AUTOVALORES E AUTOVETORES NAS POTÊNCIAS DE MATRIZES Aluno: Ana Nívia Pantoja Daniela
Leia maisFACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO LEEC EXERCÍCIOS DE ÁLGEBRA
FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO LEEC EXERCÍCIOS DE ÁLGEBRA Exercícios vários. Considere o conjunto C =, e a operação binária definida por a b = min(a, b). O conjunto C é, relativamente
Leia mais